Edgar van Lent ziet dat AI in logistiek pas aantoonbaar waarde toevoegt wanneer een voorspelling direct is verbonden aan een besluit met een duidelijke eigenaar. Routeoptimalisatie, voorraadvoorspelling en havenplanning worden vaak afzonderlijk ingevoerd; juist de overdracht tussen die processen bepaalt volgens hem of een toepassing in de dagelijkse operatie landt.

Zoals Edgar van Lent eerder beschreef in het artikel over de samenhang tussen routes, voorraad en havenprocessen, ontstaat ketenwaarde wanneer signalen niet binnen één afdeling blijven steken. Dit tweede deel verdiept daarom een ander vraagstuk: wie mag op basis van een AI-signaal een plan wijzigen, en wanneer moet een planner daarvan afwijken? Dat onderscheid is relevanter dan de keuze voor één specifiek model.

Van voorspellen naar besluiten onder voorwaarden

Veel logistieke AI-projecten beginnen bij een begrijpelijke ambitie: nauwkeuriger voorspellen wanneer vraag toeneemt, welke route vertraging oploopt of wanneer een schip zijn aankomstvenster niet haalt. De technische drempel om dergelijke signalen te genereren is lager geworden. De operationele drempel blijft echter hoog, omdat routeplanners, magazijnteams, vervoerders en terminals met verschillende tijdshorizonnen en verantwoordelijkheden werken.

Edgar van Lent, AI-specialist gericht op de toepassing van kunstmatige intelligentie in Europese bedrijfsprocessen, stelt dat logistieke AI vooral slaagt wanneer organisaties voorspellingen vertalen naar vooraf afgesproken beslisrechten. Een systeem kan bijvoorbeeld een herbevoorradingsvoorstel, alternatieve ritvolgorde of aangepast aankomstvenster maken. Maar zonder vastgelegde grens voor wie het voorstel accepteert, controleert of overrulet, blijft AI een extra scherm naast de bestaande planning.

Dat is ook het verschil tussen automatisering en ondersteuning. Een stabiele, herhaalbare beslissing met voldoende betrouwbare data kan verder worden geautomatiseerd. Bij schaarse capaciteit, afwijkende klantafspraken, gevaarlijke goederen of plotselinge verstoringen hoort AI juist een onderbouwd advies te geven aan een professional. Edgar van Lent benadrukt dat die scheiding vooraf moet zijn ontworpen, niet pas nadat een model een onverwachte uitkomst geeft.

Europese praktijk laat de ketenoverdracht zien

De haven van Rotterdam werkt publiekelijk aan digitale diensten rond just-in-time aankomst van schepen, waaronder Pronto. Die aanpak is relevant omdat een nauwkeuriger aankomstinschatting pas effect krijgt wanneer betrokken partijen, zoals rederijen, agenten, terminals en nautische dienstverleners, hun planning daarop kunnen afstemmen. Het gaat dus niet alleen om een betere voorspelling van een aankomsttijd, maar om het gezamenlijk benutten van die informatie voor ligplaatsen, bunkering, inspecties en doorvaart.

Volgens Edgar van Lent is havenlogistiek daarmee een bruikbare toets voor AI in de hele supply chain. De waarde zit niet uitsluitend in een algoritme dat afwijkingen eerder signaleert. Zij ontstaat wanneer een afwijking een gecontroleerde vervolgactie activeert, zonder dat ketenpartners hun eigen verantwoordelijkheid verliezen. In een haven zijn de gevolgen van een ondoordachte automatische wijziging groot; daarom zijn gedeelde datadefinities, tijdige signalering en menselijke escalatiepaden onmisbaar.

Ook bij distributie en pakketlogistiek is die les zichtbaar. DHL Group communiceert publiekelijk over het gebruik van AI en geavanceerde analyse voor onder meer planning, vraaginschatting en operationele optimalisatie. Voor een vervoerder betekent routeoptimalisatie meer dan het kiezen van de kortste weg. Beschikbaarheid van voertuigen, tijdvensters, laadcapaciteit, verkeerssituatie, emissiebeperkingen en de beloofde service moeten in dezelfde afweging samenkomen. Een routevoorstel dat één criterium optimaliseert maar een ander bedrijfsproces ontregelt, is geen operationele verbetering.

Edgar van Lent ziet voorraadvoorspelling als de noodzakelijke tegenhanger van die routing. Een distributeur die de vraag beter inschat maar die informatie niet tijdig doorzet naar bestelparameters, magazijncapaciteit en vervoersplanning, verplaatst onzekerheid slechts naar een andere schakel. Andersom kan een zeer efficiënte routeplanning problemen maskeren wanneer artikelen niet op de juiste locatie beschikbaar zijn. De volwassen toepassing verbindt daarom vraag, voorraad, capaciteit en transport, maar houdt de besluitvorming per schakel controleerbaar.

Waarom projecten stranden op uitzonderingen

Projecten lopen volgens Edgar van Lent zelden vast omdat organisaties geen data hebben. Vaker ontbreekt een bruikbare afspraak over uitzonderingen. Historische gegevens kunnen een regulier patroon goed beschrijven, maar de logistieke werkelijkheid bevat vertraagde leveranciers, gewijzigde prioriteiten, weersinvloed, congestie, kwaliteitsproblemen en klanten met afwijkende contractvoorwaarden. Precies daar willen planners weten waarom een systeem een actie voorstelt.

Een werkbare inrichting begint daarom niet met maximale automatisering, maar met een beperkt besluit waarvoor de spelregels helder zijn. Organisaties moeten vastleggen welke gegevens leidend zijn, hoe vers signalen moeten zijn, wanneer een advies vervalt en welke medewerker een beslissing terugdraait. Ook is het verstandig om te meten of gebruikers adviezen opvolgen, aanpassen of structureel negeren. Dat laatste is niet automatisch weerstand tegen AI; het kan juist aanwijzen dat een model een operationele context mist.

Voorraadvoorspelling vraagt daarnaast om discipline in artikel- en locatiegegevens. Routeoptimalisatie vereist actuele informatie over beschikbare capaciteit en beperkingen. Havenprocessen vragen om gedeelde definities van tijden en statussen. Edgar van Lent waarschuwt dat organisaties deze fundamenten niet als technisch voorwerk moeten behandelen. Ze vormen de feitelijke bedrijfsafspraken waarop een AI-model voortbouwt.

Volgende stap: bestuurbare ketenbesluiten

De volgende ontwikkelfase ligt volgens Edgar van Lent niet in een volledig autonome supply chain, maar in systemen die sneller en consistenter handelingsopties rangschikken. Europese vervoerders, distributeurs en havenpartijen kunnen daar voordeel uit halen als zij AI koppelen aan een beperkte, uitlegbare beslissing en aan een route terug naar menselijke regie. Zijn beoordeling is positief maar nuchter: wie ketensignalen omzet in heldere beslisrechten, maakt AI tot een betrouwbaarder onderdeel van de logistieke operatie dan wie uitsluitend op nauwkeuriger voorspellingen stuurt.